学术用户画像的行为与兴趣标签构建与应用

王仁武 张文慧

摘 要：[目的/意义]学术用户画像是对用户访问使用学术资源行为的较全面的刻画。本文尝试构建图书馆学术用户画像的信息行为标签和研究兴趣标签，来准确定位学术用户的信息需求，以便推荐合适的学术资源。[方法/过程]具体方法是全面获取用户的访问日志并进行清洗处理，然后构建从学术用户信息行为出发的用户画像标签体系，进一步研究构建了基于研究兴趣关联的信息资源推荐服务。[结果/结论]本研究有助于提高用户信息获取效率，提高图书馆学术资源推荐服务的质量，并为结合其它资源全面构建图书馆学术用户画像提供一定的借鉴。

关键词：用户画像;学术用户;信息行为;研究兴趣;标签体系

DOI：10.3969/j.issn.1008-0821.2019.09.006

〔中图分类号〕G252.0 〔文献标识码〕A 〔文章编号〕1008-0821（2019）09-0054-10

Abstract：[Purpose/Significance]The academic user portrait is a more comprehensive characterization of the user's access to the library's academic resources.This paper attempted to construct information behavior and interest labeling for academic user portraits in libraries so that they can accurately locate the information needs of academic users and recommend appropriate academic resources.[Method/Process]Firstly，we fully accessed the user's access log and carried out the cleaning process.Then，we constructed a library academic user portrait tagging system based on the information behavior of academic users.Finally，we studied the information resource recommendation service based on user research interest.[Result/Conclusion]This study helped to improve the efficiency of user information acquisition and the quality of library academic resources recommendation services.It also provided some reference for the comprehensive construction of library academic user portraits in combination with other resources.

Key words：user portrait;academic user;information behavior;interests;labeling system

数据时代，信息和知识在经济与社会发展中发挥越来越重要的作用，有效获取和利用信息资源成为信息时代个人、企业和国家发展最为重要的体现和保障。网络信息已经渗透到我们生活与学习的各个方面。根据美国科学基金会统计，学术人员在进行学术活动的过程中花费在资料收集上的时间占全部科研时間的51%[1]，如果能够提高学术人员的信息获取能力，就能缩短资料的收集时间，提高科研效率，将有限的时间和精力用于创造性的研究中。

绝大多数的学术人员是来自高校或科研院所以研究为职业的人员[2]，对于他们而言，图书馆作为学术信息聚集的主要场所，是学术人员进行资料收集的首选。我们把这一部分在图书馆进行学术信息收集的学术人员称之为图书馆学术用户。因此，缩短学术人员资料的收集时间，提高学术人员的科研效率的关键就是提高图书馆学术用户的信息收集获取效率。为此，我们尝试通过构建图书馆学术用户画像来对这一部分用户进行精准描述和定位，从而确定用户的学术信息需求。

尽管已有用户画像的研究主要是基于用户访问日志构建的，但是由于学术用户从事学术活动的特殊性，不同于电商的消费用户，只能从网络注册、访问和消费数据中获得用户画像的信息。如要更准确地构建学术用户画像，最好能结合诸如用户学术活动等数据，所以本文没有直接称作“学术用户画像的构建与应用”。本文用户画像的构建研究的数据来源主要也是学术用户访问图书馆学术资源的用户日志，同时结合了用户的专业身份信息，其它例如用户的真实学术背景与学术活动等信息则难以考虑。所以本文的研究主题定位在构建学术用户画像的重要标签方面，主要是用户的信息行为标签与研究兴趣标签;全面的用户画像地构建与应用有待于进一步的研究工作。

1 用户画像的相关研究

用户画像早期应用于产品设计、市场营销领域。通过用户调研、问卷访谈等方法挖掘用户诉求，勾画目标用户画像，使产品设计不脱离用户和市场需求，进而帮助企业实现精细化运营和市场营销。随着大数据、数据挖掘等技术的出现，为用户画像研究带来新的生机。在大数据环境下，研究者们通过数据挖掘、数据分析方法，从海量用户行为数据中分析用户基本属性、社会属性、行为习惯、兴趣爱好等信息，提炼用户个性化标签，进而构建更为精准的用户画像。同时，用户画像的应用领域和应用场景也不断扩展延伸，应用领域从电子商务、社交网络到图书馆服务，应用场景包括精准营销、个性化推荐服务、异常行为检测等。

用户画像在电子商务、社交网络等领域的研究与应用已相对成熟，研究包括精准营销、品牌建设、智能推荐、模型构建、算法设计等方面。在精准营销方面，刘海等[3]从营销的角度，以“用户画像”数据库为基础，构建精准营销细分模型，重构消费者需求、准确定位消费群体，帮助企业实现精准营销。曾鸿等[4]采集分析微博相关数据，构建用户画像模型，全面掌握目标客户群体行为特征，为企业准确制定营销方案、进行品牌建设开拓新思路。在智能推送方面，汪强兵等[5]分析用户使用文献阅读系统时的手势行为数据和对应内容，挖掘用户阅读兴趣，构建用户画像，从而进行个性化信息推送。

在用户画像构建方法方面，李冰等[6]探索一种基于大数据技术和K-means聚类算法的卷烟零售用户特征画像，进而实现对零售用户订货的智能推荐。姜建武等[7]通过构建行为—主题—词汇三位一体的数学模型，研究基于用户画像的信息本体提取方法，构建用户画像，实现信息智能推送。此外，用户画像还被用于网络安全、异常行为检测中。朱佳俊等[8]采集行为数据构建用户画像，并通过机器学习方法提取用户行为特征，建立检测模型，快速准确地检查出异常客户。

近年来，用户画像的应用研究逐渐被引入图书馆领域，相比于国内图书馆界引入用户画像时间短、研究浅的特点，国外对图书馆用户画像研究已较为完善。国外图书馆用户画像研究主要从组成要素、模型构建、应用场景以及服务升级等4个方面展开。Leung W T等[9]基于搜索引擎日志数据，结合用户画像分析用户正面和负面的兴趣偏好，提出个性化查询聚类方法。Shirude S B等[10]构建用户画像，并通过欧几里得距离，曼哈顿距离，闵可夫斯基距离，余弦距离等方法测量用户画像和图书内容之间的相似性，有助于图书馆推荐系统的开发。Sharma D等[11]将内容学习和协作学习相结合，构建混合推荐系统，基于用户画像和关联用户的相似度进行推荐，为在线数字图书馆门户提供完美的推荐顺序。

国内关于图书馆用户画像的研究主要应用于图书馆服务内容的创新和服务水平的提高，包括精准服务、个性化服务、知识服务等。王庆等[12]构建图书馆用户画像模型，设计了从单用户和多用户角度分别推荐馆藏资源的模式，实现面向用户的图书馆资源精准推荐服务。王顺箐[13]以读者需求为核心，在数据采集的基础上整合用户画像，构建智慧阅读推荐系统，提高阅读推广的成功率。张钧[14]基于读者用户画像，构建图书馆知识发现服务模型，实现图书馆服务的个性化、精准化，提升图书馆知识服务体验。胡媛等[15]基于用户画像构建数字图书馆知识社区关联模型，建立综合服务能力评价指标体系，为数字图书馆社区用户描述提供参考。韩梅花等[16]通过机器学习方法构建用户抑郁情感词典，分析微博文本，计算抑郁情感指数，获得用户画像，智能推送阅读治疗资源，辅助抑郁症治疗。

综上所述，图书馆用户画像已经得到部分学者的关注，但是大多数文献并没有对图书馆用户画像进行进一步地细分。因此从画像的标签中体现出来的用户特征宽泛，没有针对性。尤其是高校图书馆作为用户进行学术信息搜寻的主要场所，更加需要了解用户学术信息的获取行为与兴趣爱好，从而更好地开展学术资源推荐服务。本文希望在学术用户画像的一些重要标签构建与应用方面作些尝试。

本文余下部分的结构安排：第2部分介绍图书馆学术用户的日志数据处理方法;第3部分介绍学术用户画像及其信息行为与研究兴趣标签构建;第4部分介绍用户画像的一个应用场景，即基于学术用户画像关联的学术资源推荐服务;第5部分给出总结与展望。

2 图书馆用户Web日志采集与处理

2.1 Web日志数据采集

1）数据来源。本文所涉及的用户信息行为日志数据是依托于所在大学网络中心与图书馆共同建设的Polyinfo图书馆电子资源分析优化云系统中记录的网内用户访问的网络数据。由于大学用户访问网络资源数据量巨大，一般只能保存60天的数据。Polyinfo系统建设的目的就是从海量的用户访问各类资源日志数据中抽取教师学生访问图书馆电子资源的日志数据，以便长期保存，以供进一步分析利用。

2）采集方法。本文研究通过Python语言编写爬虫程序直接从Polyinfo系统中抓取用户访问图书馆电子资源的日志数据。同时我们通过提交日志数据中每条记录的IP地址和访问时间向学校用户服务器请求用户信息，根据访问时间和用户IP字段从图书馆服务器接口获取访问日志的用户基本信息。尽管大学的用户信息（教师和学生）是已知的，但考虑到用户隐私保护，学校信息管理部门只能提供脱敏的数据，不会泄露用户的真实身份。

3）数据样本。部分日志数据以及根据日志数据请求获取的部分用户信息如图1所示，图1（a）是日志信息示例，图1（b）是用户信息示例。表1和表2分别是对日志数据和用户数据字段内容、实例的详细说明。

用户日志数据中包含了11个字段，但是請求方向Direction、请求方式Action等字段并不是本文研究重点;另外，用户访问资源的平台名称Platform、网站名称Website以及网站描述字段Domain内容存在重叠，因此在数据处理时需要将这些无用或重复字段予以删除。用户信息数据包含8个字段，分别是用户标识User_id、性别Gender、年级Year、专业Major、学院Department、学历Position、上/下线时间Add_time/drop_time。为了保护用户的隐私对用户标识进行了加密处理。

2.2 Web日志数据处理

1）数据标引。数据标引工作分为人工标引和自动标引两个阶段进行，人工标引是对日志数据中用户访问网址记录的手动标记，执行所有可能的用户信息行为（检索、浏览、下载等），并记录相关网址及其对应的页面和操作，之后再对比平台记录的日志数据。通过数据标引构建“URL标识—操作标引词”字典，使用Python编码自定义数据标引函数，在日志数据中增加数据标引属性，对URL和Reference字段数据实现自动化标引。

2）数据解析。数据解析可分两个步骤进行，第一步是分割URL网址，抽取路径、路径深度以及参数等数据;第二步是从特定参数中提取用户信息行为，包括：检索词、检索数据库、浏览文件名、下载文件名等。

3）研究数据。经过数据处理之后，我们得到了以下要用来构建用户画像的研究数据。图2是完成数据处理之后要进行研究的部分数据。

研究数据一共包含11个字段：分别是用户的基本信息数据（用户ID、学院、专业、性别、学历和年纪）和信息行为数据（访问时间、访问数据库名称、访问数据库类型、访問方式和访问内容）。

选取的研究数据主要是信息管理与信息系统和图书情报这两个专业，选取这两个专业也是因为和学科研究相符合。同时接下来有关构建图书馆学术用户画像的具体步骤和分析过程也将以这部分数据作为示例。

3 学术用户画像及其信息行为与研究兴趣标签构建

3.1 学术用户画像及其重要标签体系

用户画像是从一系列数据、信息中高度概括提炼出来能体现用户属性特征，并将这些属性特征组合起来形成的一个生动立体的用户模型[17]。根据用户画像的定义和本文的研究范围，我们对图书馆学术用户画像的定义为：在数字环境下，从海量的图书馆用户访问日志的行为数据中，通过分析挖掘、高度提炼出表现图书馆学术用户特征的标签，通过标签组合形成实际用户的虚拟形象。因此，图书馆学术用户画像是对具有特定学术信息需求的图书馆用户的形式化的数据描述。

本文构建图书馆学术用户画像的内容如图3所示，主要是对用户日志中行为数据的分析来提取用户画像的重要标签。受制于数据源的限制，我们主要构建的是图书馆学术用户画像中的两大类重要标签，即学术用户信息行为与学术用户研究兴趣标签。本文3.2、3.3两节分别介绍这两个标签的构建过程。

图书馆学术用户画像的信息行为标签又可分为学术用户的固定属性标签、访问偏好标签，访问频率标签与检索习惯标签;而研究兴趣标签主要与用户的查询主题有关，本文界定为研究主题标签。其中，图书馆学术用户的固定属性标签是由图书馆学术用户的基本信息直接得到的，尽管图书馆的用户信息（教师和学生）是已知的，但考虑到用户隐私保护，学校信息管理部门只能提供脱敏的数据，不会泄露用户的真实身份;图书馆学术用户的访问偏好标签，访问频率标签和检索习惯标签是通过对图书馆学术用户访问日志中的和信息行为有关的数据分析得到的;最后是图书馆学术用户的研究主题标签是通过对用户访问日志中的检索内容分析得到的。

3.2 图书馆学术用户画像的信息行为标签构建

3.2.1 构建学术用户访问偏好标签

学术用户的访问偏好包括习惯使用的访问终端（使用电脑/手机、浏览器类型、操作系统类型等）、习惯使用的学术引擎（某类学术数据库、百度学术、谷歌学术、资源发现系统等）、常用的学术数据库、访问时间偏好等。根据图书馆用户对学术信息的访问行为，通过统计学术用户对每一种数据库的访问次数和1天当中每个时间点的访问次数来确定学术用户对数据库和访问时间的偏好选择。图4和图5分别是从整体上来看数据库种类和访问时间上用户访问偏好的整体情况。

图5中，浅灰色线条是工作日访问时间分布的总和，深灰色线条是休息日时间分布的总和，可以看出，除了数量上的减少之外，两条线条之间走势相同。图书馆学术数据库会在上午10点、下午2点以及晚上8点左右迎来访问量的高峰，这也是由于图书馆学术用户的科研时间习惯形成的。

3.2.2 构建学术用户检索习惯标签

一般来说，用户在访问图书馆的时候常用的检索方式有普通检索，高级检索和专业检索。这3种检索方式所对应的适用情况也不同：根据图书馆用户在检索中使用的检索方式再结合检索词的长度，可以将用户分为任务向导型检索用户，研究探索型检索用户和技巧依赖型检索用户。

任务向导型检索用户指的是图书馆用户在进行学术检索的时候，其检索任务是否明确。当用户的检索任务明确的时候，则表示用户掌握了目标文献的外部信息，可以通过直接检索文章的标题来获取所需要的信息。而当用户的检索任务不明确的时候，用户则无法使用这种，模式进行检索。因此，长标题和普通检索结合的检索模式可以在一定程度上反映用户检索任务导向性的强弱。

当用户的检索任务不明确的时候，我们可以将其定义为研究探索型检索。研究探索性与用户的学术素养密切相关，如果用户学术素养高，则对检索学科领域的熟悉程度，以及用户研究任务的学术深度均较高，由于用户需要对学科领域进行较深层的回顾和分析，因此会通过大量浏览文献的方式对领域内的研究现状和发展态势进行探索和分析。具体表现在使用普通检索方式，并且输入的多数为短字符检索词。同样地，当用户学术素养不高的时候，因此无法准确把握自己的检索需求，所以会通过大量短小的检索词来大量的浏览文献从而确定自己的研究主题。所以，这里我们只是将用户定义研究探索型检索用户，而无法衡量研究探索能力的大小。

第三种类型就是技巧依赖型检索用户，技巧依赖型与用户的信息素养密切相关，代表了图书馆用户对使用计算机进行在线检索的技巧的熟悉程度和意识强弱。在检索策略上主要表现为用户使用逻辑检索或者专业检索等高级检索的倾向性。

图6是某用户在某月的检索词长度分布图，以检索词是否超过10个字作为长检索词和短检索词之间的分界线，来看一下该用户更偏向于哪种长度的检索词。

从图6中可以看出该用户长检索词的统计总量多余短检索词的总量，字数在10个字以上的长检索词的比重依然很大。这说明该图书馆用户在大部分检索的过程中是知道自己检索文章的标题信息。因此该用户判定为任务向导型检索用户。

3.2.3 构建学术用户访问频率标签

从图书馆学术用户产生学术活动时间的不确定性来看，如果只是单纯计算学术用户访问的时长可能会忽略掉一些产生突发性学术活动的图书馆用户。因此，我们在衡量图书馆学术用户的活跃度的时候，要从用户访问的平均时长来确定。由于，我们选择的是用户访问数据库的数据，因此用户访问的平均时长可用来表示图书馆学术用户的活跃度，而不必再单另计算用户访问数据库的次数了。

基于上面的表述，我们把用户分为持久性活跃用户、突发性活跃用户以及低活跃性用户。

1）持久性活跃学术用户：学术用户的活动天数呈现均匀分布，并且每天都能保持一定时长的数据库访问。

2）突发性活跃学术用户：学术用户的活跃天数呈现离散分布，同时每天的访问时长呈现波峰波谷状。

3）低活跃性学术用户：学术用户的活跃天数呈现离散或者均匀分布，但是每天的数据库访问时长很低。

如图7所示，图书馆某学术用户在某月份的数据库访问的时长的时间变化曲线。从图7可以看出某用户在那个月份的访问时长有明显的波峰和波谷，而且从时间分布上看，该用户在4月当中只有7天访问了数据库。这样的曲线分布离散且不均匀，但因为有明显的波峰，因此，判定该用户为突发性活跃学术用户。

3.3 图书馆学术用户画像的研究兴趣标签构建

通过观察研究数据，我们发现图书馆用户在输入检索词时，往往是不准确而且有歧义的，如果从用户检索词为基础来分析用户的研究兴趣，会使得分析的结果缺乏专业性和准确性。因此，我们提取的是用户下载文献的关键词，通过统计分析文献的关键词来确定用户的研究兴趣。在确定图书馆用户研究兴趣标签的过程中可以从两个方面来对图书馆用户的研究兴趣进行描述：分别是单主题研究兴趣和多主题研究兴趣。所谓的单主题研究就是，图书馆用户在一段时间之内，最常检索的关键词，在这里我们使用高频关键词来表示图书馆用户的单主题研究兴趣。同时，图书馆用户在一段时间之内并不一定只检索1个主题的文献。那么当用户有不同的研究兴趣的时候，这时候我们就可以为用户打上多主题研究兴趣的标签。

从图8可以看出，某用户在检索过程中产生的关键词的最高频率不到10%，甚至连6%都无法到达。因此该用户的研究主题不能用高频词来衡量，用户的研究主题类型不是单主题研究兴趣。

从图9可以看出，通过模块化聚类算法Louvain算法对关键词之间的共现次数进行模块化计算之后，用户的研究主题呈现出了明显的聚类。

图中明显地将用户的检索关键词分为4大类：“用户行为”、“信息行为”、“MBA”和“MBA教育中心”。从“MBA”研究主题中可以看出，其研究的方向偏向于MBA案例实际操作;而“MBA教育中心”则和各个高校紧密结合。从聚类的结果来看是比较符合用户的学术认知，因此该图书馆学术用户我们将其判定为多主题研究用户。

4 学术用户画像的应用探索

本章将利用第三部分的两大类标签构建的学术用户画像来做一下应用探索。首先构建用户画像实例，然后探索使用学术用户画像实现学术资源的推荐服务。

4.1 学术用户画像的构建实例

根据上文中对信息行为数据分析得到用户标签再加上用户本身的基本信息标签，就形成了的图书馆学术用户画像的标签体系。以某用户为例，其最终的某图书馆学术用户画像如图10所示。

同样，我们可以为每一个学术用户构建类似上面的用户画像，可以通过用户画像了解每一个学术用户的基本信息和学术兴趣，而且可以在系统的运行过程中不断地完善补充，动态更新。有了这些详尽信息，学术图书馆就可以据此研究提升自身的管理和服务水平。

4.2 基于学术用户画像的学术资源推荐服务

常见的学术资源推荐服务大多基于个人的浏览和检索兴趣，从数据库当中匹配相关的信息，然后进行推送[18];或者如同传统电商常用的基于协同过滤的方法实现个性化推荐服务。然而此类方法推荐的资源，不一定是用户需要的，因为对用户的信息与需求了解不够全面、系统。所以，图书馆需要提高的是如何让推荐的学术资源更加符合用户的需求。用户画像可以在这方面发挥作用，而新一代电商个性化推荐服务的核心功能也正是用户画像。

使用用户画像进行学术资源推荐的最直接方式，就是利用完整、全面的标签体系，在用户需要的时间，根据用户的研究兴趣进行针对性的推荐。这种服务方式，既可以在用户画像系统中实现，即利用电子邮件的方式，将新的与其最近研究兴趣有关的学术文献推送给该用户;也可在学术资源服务系统中实现，即在学术资源服务系统中融合用户画像系统，在用户查询学术资源时，利用动态构建的用户画像获得用户的研究兴趣，实时地为用户推荐与该研究兴趣相关的学术资源。

使用用户画像进行学术资源推荐的另一种方式可以通过相同或者相似的研究主题进行关联。当两个用户之间通过研究主题产生关联的时候，我们可以通过比较用户的访问频率和检索习惯这两个标签，来进行学术信息的传递，也就是说可以将访问频率高活跃的用户，以及检索习惯中任务向导型检索用户和技巧依赖型检索用户的检索方式、访问数据库以及下载的学术文献推荐给关联的其他学术用户。如此一来的话，学术图书馆在向用户推荐学术资源的时候就不仅仅是简单的匹配学术资源数据库，而是通过学术用户画像标签的比较，选择标签质量高的用户的学术资源进行推荐。基于推荐学术资源已经被相关用户利用，那么它被新的学术用户利用的可能性也会加大。如图11所示，是图书馆学术用户画像关联推荐的应用模型：

5 总结与展望

本文通过从高校海量的网络资源访问日志中抽取用户对图书馆学术资源的访问记录，以及通过访问记录中的IP地址与时间信息获取经过脱敏的学术用户信息的深入加工与详尽分析，详细构建了学術用户的信息行为标签和研究兴趣标签这两大类标签体系，并探索研究将其用于用户的学术资源推荐服务。实现了从第一手的用户访问日志的处理到图书馆学术用户画像构建及其应用的全过程。

目前，本文研究的学术用户的使用日志还需不断积累，分析与应用的角度还需扩展，以便更好更全面地研究学术用户画像，方便图书馆为学术用户提供更好的服务。

参考文献

[1]文庭孝，刘晓英.基于引文分析的我国研究者信息获取能力评价研究[J].图书与情报，2011，（6）：21-25.

[2]黄传慧，孙雨生，明均仁，等.情景化用户偏好引导下用户学术信息行为研究[J].图书馆工作与研究，2015，1（2）：36-39.

[3]刘海，卢慧，阮金花，等.基于"用户画像"挖掘的精準营销细分模型研究[J].丝绸，2015，52（12）：37-42.

[4]曾鸿，吴苏倪.基于微博的大数据用户画像与精准营销[J].现代经济信息，2016，（16）：306-308.

[5]汪强兵，章成志.融合内容与用户手势行为的用户画像构建系统设计与实现[J].数据分析与知识发现，2017，1（2）：80-86.

[6]李冰，王悦，刘永祥.大数据环境下基于K-means的用户画像与智能推荐的应用[J].现代计算机，2016，（24）：11-15.

[7]姜建武，李景文，陆妍玲，等.基于用户画像的信息智能推送方法[J].微型机与应用，2016，35（23）：86-89.

[8]朱佳俊，陈功，施勇，等.基于用户画像的异常行为检测[J].通信技术，2017，50（10）：2310-2315.

[9]Leung W T，Lee D L.Deriving Concept-Based User Profiles from Search Engine Logs[J].IEEE Transactions on Knowledge & Data Engineering，2010，22（7）：969-982.

[10]Shirude S B，Kolhe S R.Measuring Similarity Between User Profile and Library Book[C]//International Conference on Information Systems and Computer Networks.IEEE，2014：50-54.

[11]Sharma D，Kaur S，Diksha.Neural Network Classification for user Profile Learning Over Digital Library Recommendation Engine[J].Indian Journal of Science & Technology，2016，9（33）.

[12]王庆，赵发珍.基于“用户画像”的图书馆资源推荐模式设计与分析[J].现代情报，2018，38（3）：105-109，137.

[13]王顺箐.以用户画像构建智慧阅读推荐系统[J].图书馆学研究，2018，（4）：92-96.

[14]张钧.基于用户画像的图书馆知识发现服务研究[J].图书与情报，2017，（6）：60-63.

[15]胡媛，毛宁.基于用户画像的数字图书馆知识社区用户模型构建[J].图书馆理论与实践，2017，（4）：82-85.

[16]韩梅花，赵景秀.基于“用户画像”的阅读疗法模式研究——以抑郁症为例[J].大学图书馆学报，2017，35（6）：105-110.

[17]Cooper A.The Inmates Are Running the Asylum：Why High Tech Products Drive Us Crazy and How to Restore the Sanity（2nd Edition）[M].Pearson Higher Education，2004.

[18]李默，梁永全.高校图书馆学术资源推荐策略及系统架构研究[J].图书馆学研究，2015，（14）：57-62.

（责任编辑：陈 媛）